Wayve будет обучать модели ИИ-водителя в облаке CoreWeave Cloud на графических процессорах Blackwell

Компания CoreWeave объявила 9 ноября 2026 года о многолетнем соглашении, согласно которому Wayve будет обучать свои базовые модели ИИ-водителя в облаке CoreWeave Cloud на графических процессорах NVIDIA Blackwell. Работа охватывает обучение, оценку и моделирование системы, которая учится на данных о реальном вождении, собранных более чем в 70 странах.

Компания Wayve начала работу с Weights & Biases, а затем масштабировала ее в облаке CoreWeave Cloud. Расширение добавляет к процессу разработки облачные вычислительные ресурсы CoreWeave. Этот процесс должен демонстрировать прогресс между версиями программного обеспечения, поддерживать длительные циклы обучения и обеспечивать достаточную наблюдаемость, чтобы сравнивать модели и проверять безопасность в широких масштабах.

Цикл сбора и использования данных для моделей вождения

Wayve разрабатывает AI Driver для разных задач — от использования в личных автомобилях до роботакси. Силвиус Рус, старший вице-президент компании по инженерным разработкам, рассказал, как данные о вождении со всего мира используются для развития моделей: «Наш AI Driver совершенствуется благодаря этому циклу работы с данными: мы собираем опыт реального вождения, обучаем на нем модель, оцениваем ее и внедряем только те решения, которые превосходят уже используемые на дорогах». Он рассчитывает, что доступ к облачной платформе CoreWeave для ИИ поможет ускорить коммерческое внедрение AI Driver.

Моделирование перед выездом на дороги

В техническом обзоре CoreWeave об инфраструктуре для физического ИИ обучение моделей мира, моделирование работы датчиков и оценка с обратной связью определены как типичные вычислительные задачи для автономных транспортных средств. Каждый такой автомобиль ежедневно генерирует терабайты данных с датчиков. Для обработки этого потока необходимо обеспечить эффективную совместную работу систем хранения данных, сетевой инфраструктуры и конвейеров обучения.

Разработка физического ИИ продолжается и после внедрения: по мере появления новых нештатных ситуаций возникает необходимость регулярно переобучать модели, сохранять контрольные точки и использовать быстрые конвейеры обработки данных. Поскольку сбои могут угрожать физической безопасности, перед применением в реальных условиях большинство моделей разрабатывают с помощью моделирования и поэтапной проверки.

В демонстрационном примере CoreWeave, не связанном с соглашением с Wayve, компания сообщает, что выполнила 1,25 миллиона симуляций автономных автомобилей в CARLA примерно за 12 часов, распределив их по независимым шардам и выделив по одному GPU на каждый. В ходе запусков менялись погодные условия, плотность трафика, карты, перекрёстки и начальные значения генератора случайных чисел, что иллюстрирует разнообразие условий, которые можно моделировать при разработке моделей.

Надежность на всех уровнях стека обучения

Что касается аппаратного уровня, по данным NVIDIA, движок Blackwell для обеспечения надежности, доступности и ремонтопригодности непрерывно отслеживает тысячи показателей состояния оборудования и программного обеспечения, чтобы прогнозировать и предотвращать причины простоев. Он предназначен для раннего выявления потенциальных неисправностей, локализации проблем и содействия техническому обслуживанию. Эти возможности важны для обеспечения надежности длительных циклов обучения, о которых говорится в объявлении CoreWeave.

По словам CoreWeave, в рамках более широкой платформы для физического ИИ ее сервис Kubernetes распределяет задачи обучения и моделирования, а распределенные и объектные хранилища содержат данные с датчиков и результаты моделирования объемом в петабайты. Сети InfiniBand и RoCE передают данные напрямую между графическими процессорами на разных серверах, минуя центральные процессоры. Это сокращает время простоя в ожидании данных, пока распределенные задачи обмениваются данными с датчиков, состояниями симуляции и градиентами.

Инструменты для экспериментов обеспечивают отслеживание истории версий: Weights & Biases Models фиксирует эксперименты, Registry связывает контрольную точку с конкретным набором данных и циклом обучения, в результате которого она была создана, а Weave поддерживает трассировки, оценки и мониторинг. Эти записи позволяют инженерам перейти от выявленной при тестировании проблемы к соответствующей контрольной точке модели, набору данных и циклу обучения. Для критически важной с точки зрения безопасности системы вождения такая прослеживаемость помогает сравнивать и проверять модели наряду с обеспечением необходимой вычислительной мощности для обучения.

Соглашение делает весь цикл итерационной разработки частью расширения инфраструктуры Wayve. Ускорение коммерческого внедрения зависит от того, насколько эффективно интегрированные процессы обучения, оценки и моделирования смогут преобразовать опыт вождения в проверенные улучшения, сохраняя при этом надежность и прослеживаемость, необходимые для программного обеспечения критически важных с точки зрения безопасности систем вождения.